Claude Code Agent Teams是创新突破还是过度设计？1000+开发者观点大PK_服务软件

1. Claude4.6最绝的是Agent team模式，完全是公司化运作了(附详细实测)

2. Claude Code Agent Teams完全指南

3. 告别单打独斗！Claude Code 全新 Agent Teams 模式完全指南

4. 实测Claude最新的Agent Teams，3个AI队友45分钟给我整了个红白机游戏厅

5. 结合实际案例理解Claude Code中的Hooks

6. 玩转 Claude Code Hooks

7. Claude热门技术博客

8. 前端开发者用Claude Code Hooks

9. Claude Code中没用过Hooks？那你可真是丢了个神器

10. Claude Code Hooks

11. 编码即规范

12. 让 AI 听你的

13. Claude Code Hooks

14. Claude Code 七大核心配置机制实战解析

15. OpenClaw如何调用Claude Code最省Token 🚀OpenClaw高级使用经验之如何调用Claude Code最省Token！2026年最强生产力！Claude Code Hooks回调+Agent Teams实现全自动开发零轮询方案详解！效率神器

16. 新范式，还是“碎钞机”？我对 Claude Code「Agent Teams」的另一种拆解

17. 【AI最前沿89】Agent Team和2026年智能体集群剖析

18. Claude Code Agent Teams上手指南+项目实测 - 哔哩哔哩

19. Claude Code Agent Teams

20. OpenClaw Agent PK Agent Teams

21. 再说一遍ClaudeCode不是聊天框！阿东在Github刷到一个vibe coding开发配置。

22. Agent Teams分屏设置，让每个队友获得自己的窗格

23. 我用 Claude Opus 4.6 + Agent teams 优化了我的「采访式文章生成skill」，体验很丝滑，效果很显著

24. 128/1000 大杀器 - Claude Code Agent Teams 功能完整指南

25. Agent Teams 协调多个Claude Code实例工作

26. Claude code新模式 agent teams是什么

27. 省了60%时间

28. 把ai的战斗力提升100倍，团队作战！Agent Team 到底是什么？

29. One Claude is Good, A Team is Unstoppable--让你的agent告别单打独斗，组成“复仇者联盟”

30. 如何安装和使用 Claude Code Agent Teams（保姆级教程）

31. 只用一天Opus4.6+Agent Teams做了个ClaudeCode桌面端

32. Claude Agent Teams 保姆级入门及使用教程

33. Claude Cowork + Agent Teams 混合工作流实战

34. Claude Code Agent Teams真能替代人类开发团队？多Agent协作深度与任务并行性成关键分水岭

35. Claude Code 作者是如何使用 Claude Code 的？

36. Claude Code Agent Teams上手指南

37. AI Agent Team

38. Claude Code如何更加高效使用？Claude Code创始人分享的13条Claude Code实践经验总结

39. Claude Agent Team发布第一天，我用它做了个自进化的Skills

40. 什么样的tool会让你的agent性能飙升？

41. Claude Code作者亲授

42. 刚刚，ChatGPT 和 Claude 同时大更新，不会给 AI 当老板的打工人要被淘汰

43. 《疯狂动物城2》中文配音大争议发生了什么？何以解忧？ | 暗中观察系列

44. 「Github一周热点90期」规格驱动开发、AI记忆引擎、AI agent的docker、开源流媒体平台、开源电商平台和密钥管理平台

45. 想深度了解Claude Agent Skills，看这篇就行了AI Agent和工具（Tools）的热潮席卷了整个技术圈，几乎成了大模型应用的标配。然而，当我们深入剖析Anthropic Claude的Agent Skills实现时，却发现了一条与众不同的技术路径。它并非我们熟知的函数调用或插件执行。1. Skills 不是代码，而是高级“提示词模板”当我们谈论给AI增加“技能”时，脑海中浮现的通常是可执行的Python函数或API端点。Claude 的Skills与传统的函数调用或插件有着本质区别，它们不直接运行任何Python或JavaScript代码。Skills的真正作用是“提示词扩展（prompt expansion）”和“上下文修改（context modification）”。当一个skill被调用时，它实际上是向当前的对话历史中，动态注入了一段为特定任务量身定制的、极其详细的指令。这些指令会彻底引导Claude后续的思考方式和行为路径，就像给一个通用型专家临时“灌输”了某个领域的专业知识。它将AI能力的扩展与执行代码所带来的安全风险和复杂性完全分离开来，实现了前所未有的灵活性和安全性。Skills are not executable code. They do NOT run Python or JavaScript, and there’s no HTTP server or function calling happening behind the scenes. ... Skills are specialized prompt templates that inject domain-specific instructions into the conversation context.2. 没有算法路由，全凭大模型“自己决定”用哪个技能Claude选择使用哪个skill的决策过程也比较有特色。传统思路可能会涉及复杂的路由系统，比如基于关键词匹配、正则表达式、向量相似度搜索，甚至是专门的意图分类模型。Claude Agent Skills 将所有可用技能的名称和描述打包成一段文本，然后将这段文本作为名为Skill的“元工具（meta-tool）”的描述信息。当用户提出请求时，Claude就凭借其原生的、强大的语言理解能力，在一次完整的前向传播（forward pass）中，直接判断用户的提示词与哪个技能的描述最为匹配。这种设计体现了对大模型核心推理能力的极致信任，是一种“第一性原理”的体现。它没有在应用层添加任何复杂的工程逻辑，而是把决策权完全交还给了大模型本身。There is no algorithmic skill selection or AI-powered intent detection at the code level. The decision-making happens entirely within Claude’s reasoning process based on the skill descriptions provided. ... This is pure LLM reasoning.3. 独特的架构：技能信息不在System Prompt里，而在“工具”里许多AI系统（如ChatGPT）习惯于将可用的工具信息一股脑儿地塞进系统提示词（System Prompt）中。这种做法虽然直接，但当工具数量庞大时，会导致系统提示词变得异常臃肿和低效。Claude另辟蹊径。它的Agent Skills信息并不存储在系统提示词里。相反，所有的技能都被封装在一个名为Skill的“元工具”中。这个Skill元工具与其他标准工具（如Read, Bash）一起，并列存在于每次API请求的tools数组里。所有可用技能的列表，动态地构成了这个Skill元工具的描述部分。这种架构的优势显而易见：它极大地解放了系统提示词，让技能的管理变得更加模块化和动态化，可以根据会话需求灵活地加载或卸载，而不会污染全局的系统设定。4. 优雅的实现：一条消息给人看，一条“隐藏”消息给AI看一个优秀Agent系统的设计，必须在“用户透明度”和“界面简洁性”之间找到平衡。如果系统调用skill的过程完全隐藏，用户会感到困惑；如果把几千词的内部指令全部展示在聊天窗口，用户界面则会变得混乱不堪。Claude通过一个名为isMeta的布尔标志，巧妙地解决了这个矛盾。当一个skill被激活时，系统会向对话历史中注入两条消息：1）第一条消息 (isMeta: false): 这是一条简短的元数据信息，比如“‘pdf’ skill正在加载”。这条消息在用户界面中是可见的，清晰地告知用户系统正在做什么。2）第二条消息 (isMeta: true): 这条消息包含了完整的、可能长达数千词的SKILL.md指令内容。它在用户界面中是不可见的，但会完整地发送给API，作为Claude执行任务的详细行动指南。这种“双通道通信”机制既保证了用户对系统行为的知情权，又避免了海量的内部指令污染聊天界面，实现了极致优雅的用户体验。5. 终极心智模型：技能的本质是“上下文修改器”，而非“动作执行器”我们可以提炼出一个关于Claude Agent Skills的终极心智模型。如果说传统的工具是“动作执行器”（Action Executor）——执行一个动作，返回一个结果；那么Claude的技能则是“上下文修改器”（Context Modifier）。它的核心作用是修改两个层面的上下文：首先，它通过注入详细指令来修改对话上下文（conversation context），从而改变Claude的思考模式和工作流程；其次，它通过变更工具权限和模型选择来修改执行上下文（execution context），从而改变Claude在特定任务中被允许使用的能力。理解这个根本性的区别是掌握Claude Agent Skills的关键。Skills并不是直接去解决问题，而是通过“赋能”和“引导”的方式，让Claude本身变成一个能够更好地解决特定领域问题的专家。By treating specialized knowledge as prompts that modify conversation context and permissions that modify execution context rather than code that executes, Claude Code achieves flexibility, safety, and composability that would be difficult with traditional function calling.总之，Claude Agent Skills的设计哲学，为我们展示了一种与传统函数调用截然不同的AI能力扩展范式。它通过一种基于提示词的、精巧的上下文修改机制，实现了极高的灵活性、安全性和组合性，将大模型自身的推理能力推向了核心。#ai创造营# #程序员#

46. Claude全面禁中国企业？别怕，国产模型够顶！ #大咖观察 #Claude #马斯克 #红衣聊AI

47. Claude Code 创始人的 9 条实战技巧：原来高手的配置这么“朴素”Boris Cherny 在 Anthropic 内部有个绰号：Claude Code 之父。他最近在 X 上很活跃，于是很多人问 Boris：你自己到底怎么用 Claude Code？他刚在 X 上分享了 9 条实战技巧。没有你想象的那么多技巧，每一条都朴实无华。【1】核心理念：Claude Code 的最佳实践并没有标准答案Boris 开场就说：> My setup might be surprisingly vanilla! Claude Code works great out of the box, so I personally don't customize it much. > 我的配置可能出乎你意料地“原装”。Claude Code 开箱即用效果就很好，我个人没做太多定制。也能理解，那些最佳实践，比如 Skills、Plugins，作为 Claude Code 开发者，他们早就把这些最佳实践作为功能内置了。使用 Claude Code 没有唯一正确的方式。团队故意把它设计成可以随便折腾的样子，你想怎么用、怎么改、怎么魔改都行。Claude Code 团队内部每个人的用法都完全不同。所以没必要去费力找“最佳实践”，适合自己的节奏最重要。【2】多 Agent 任务并行：同时开十几个 ClaudeBoris 的日常是这样的：终端里开 5 个 Claude Code 实例，标签页编号 1 到 5，开着系统通知，哪个需要输入就跳过去处理。同时，他还在 claude.ai/code 网页版上跑 5 到 10 个任务。终端和网页可以互相“交接”：用&符号把本地会话转到网页，或者用--teleport 在两边来回切换。他每天早上和白天会从手机 Claude 应用上启动几个任务，晚点再回来看结果。这种“多线程”工作方式的核心逻辑是：Claude Code 擅长自主执行，很多任务不需要你盯着。你启动任务、给个方向，让它跑着，自己去忙别的。等它需要你确认的时候再切回来。这跟传统的“人敲一行代码、AI 补几行”完全是两种节奏。但这也对使用者有更高的要求，你需要擅长给 Agent 分配任务，并且能随时在多个任务之间切换。对于习惯了自己开发，同时只有一个任务进行的传统开发模式来说，是个很大挑战。惭愧的说，虽然我也常用 Coding Agent，还是不习惯太多任务同时运行，今年要加强这方面的练习。【3】模型选择：为什么用 Opus 而不是更快的 SonnetBoris 说他所有任务都用 Opus 4.5 加上 thinking 模式。这是他用过最好的编程模型。有人会问：Opus 不是比 Sonnet 更大、更慢吗？Boris 的回答是：虽然单次响应慢一点，但你需要纠正它的次数少得多，工具调用也更准确，最终算下来反而更快。这点其实我一直很认同，写代码这种事不能求快，还是得质量高，如果一个快模型需要你来回纠正三次，不如用个慢模型一次搞定。时间不只是模型响应时间，还有你的注意力和精力成本。唯一的问题就是 Opus 成本更高。【4】CLAUDE.md：团队共享的“项目记忆”CLAUDE.md 是 Claude Code 的一个特殊配置文件，放在项目根目录。每次启动 Claude Code，它会自动读取这个文件，把里面的内容当作“背景知识”。你可以理解为：这是你给 AI 写的项目说明书，告诉它这个项目的架构、规范、注意事项。Boris 团队的做法是：整个 Claude Code 仓库共用一个 CLAUDE.md，提交到 Git 里，所有人一起维护。每周都有人往里加东西。规则很简单：每次看到 Claude 做错了什么，就把“别这样做”写进去，下次它就知道了。更有意思的是，他们在代码审查时也会用到这个机制。Boris 会在同事的 PR 里@.claude，让 Claude 把某条新规则加到 CLAUDE.md 里。这是通过 Claude Code 的 GitHub Action 实现的。Dan Shipper 管这种做法叫“复利工程”：每一次纠错都变成团队资产，让 AI 越来越懂你们的项目。如果你还没用过 CLAUDE.md，或者没像他们这样频繁更新规则，强烈建议试试。最简单的起步方式是运行/init 命令，Claude 会自动分析项目结构，生成一个初始版本。然后你边用边补充，看到不对的地方就加进去。【5】Plan 模式：先想清楚再动手Boris 说，他大多数会话都从 Plan 模式开始。在 Claude Code 中按两下 Shift+Tab 就能切换。Plan 模式下，Claude 不会直接改代码，而是先给你一个执行计划。你可以来回讨论、修改计划，直到满意为止。然后切到自动接受模式，Claude 通常能一次性完成。“好的计划真的很重要”，这个习惯其实是把软件开发的经典智慧搬到了 AI 协作里：先设计再编码。很多人用 AI 写代码的问题是直接开干，结果方向错了返工成本很高。花几分钟对齐计划，能省几小时的返工。【6】自动化重复工作：斜杠命令和子 AgentBoris 有几个每天要用几十次的操作，他把它们做成了斜杠命令。比如"/commit-push-pr"，一键完成提交、推送、创建 PR。斜杠命令本质上是 Markdown 文件，放在.claude/commands/目录下。你可以用自然语言写指令，还能嵌入 bash 脚本预先获取一些信息，减少模型来回调用的次数。这些命令可以提交到 Git，整个团队共享。除了斜杠命令，他还用子 Agent（网页链接）。子 Agent 是独立的 Claude 实例，专门干某类活。比如他有个 code-simplifier 子 Agent，在主 Claude 完成工作后自动简化代码；还有个 verify-app 子 Agent，专门负责端到端测试。这两个功能的共同点是：把你反复做的事情固化下来，让 Claude 自己调用。你不用每次都重复解释，也不用记住各种命令细节。使用 PostToolUse Hook 来格式化 Claude 生成的代码。Claude 通常能自动生成格式良好的代码，而这个 Hook 会处理最后 10% 的代码，以避免后续在持续集成 (CI) 过程中出现格式错误。【7】安全与集成：权限配置和外部工具Boris 不用--dangerously-skip-permissions 这个“危险”选项。相反，他用/permissions 命令预先批准一些常用的安全命令，避免每次都弹确认框。这些配置保存在.claude/settings.json 里，团队共享。更强大的是 MCP 服务器集成。MCP 是 Model Context Protocol 的缩写，是 Anthropic 推出的让 AI 连接外部工具的标准协议。通过 MCP，Claude Code 可以直接：- 搜索和发送 Slack 消息- 跑 BigQuery 查询回答数据问题 - 从 Sentry 拉错误日志Boris 团队把 Slack 的 MCP 配置也提交到了仓库，所有人开箱即用。这意味着 Claude Code 不只是个编程工具，而是能调用你整个工具链的“全能助手”。【8】长任务处理：让 Claude 自己验证对于跑很久的任务，Boris 有几个策略：一是让 Claude 完成后自动用后台 Agent 验证结果。你可以在提示词里要求，也可以用 Stop Hook 更确定性地触发。> 注：Hooks 是 Claude Code 的"钩子"机制，让你在 Claude 执行操作的特定时刻插入自定义逻辑。你可以把它理解为"触发器"：当某个事件发生时，自动执行你预设的命令或脚本。> Stop Hook 就是在 Claude 完成响应、准备交还控制权时。> 相关文档：网页链接二是用 ralph-wiggum 插件网页链接。这是一个有趣的设计：“Ralph 本质上就是一个 Bash 循环”：想象一个简单的死循环（while true），它不停地把同一个任务说明书（提示词文件）喂给 AI 智能体，让它一遍又一遍地改进工作，直到彻底完成。三是在沙箱环境里用--permission-mode=dontAsk 或--dangerously-skip-permissions，让 Claude 不被权限确认打断，自己跑到底。核心思路是：既然是长任务，就别让它等你。给它足够的自主权和自我纠错能力。【9】最重要的一条：给 Claude 验证能力Boris 把这条放在最后，说这可能是获得好结果最重要的因素。如果 Claude 能验证自己的工作，最终产出质量能提升 2 到 3 倍。他举了个例子：他们提交到 claude.ai/code 的每一个改动，Claude 都会用 Chrome 扩展自己测试：打开浏览器、测试 UI、发现问题就迭代，直到功能正常、体验合理。验证方式因场景而异。可能是跑一个 bash 命令，可能是跑测试套件，可能是在浏览器或手机模拟器里测试应用。形式不重要，重要的是：让 AI 有反馈闘环。这个道理其实很朴素。人类工程师也是靠“写代码—测试—看结果—修改”这个循环来保证质量的。AI 也一样。如果它只能写不能测，就像闭着眼睛做事，质量全靠运气。Boris 的建议是：投入精力把验证机制做扎实。这是回报率最高的投资。【10】那些你看不见的东西Boris 有一点没提的就是基础的源代码管理/ CI（持续集成） / 代码审查 workflow，这些事情可能对他们大厂做习惯了的来说是平常，默认就应该有的事情比如说当他用 Claude Code 完成一个任务，不会说直接合并到主分支，而是提交一个 PR。提交 PR 后，在 CI 服务器上会自动跑所有的 lint 和自动化测试，如果测试失败 PR 是无法合并的。一个 PR 通过了所有的自动化测试，还需要有人去做代码审查（当然可以 AI 辅助，但还是需要人确认），如果代码审查发现问题，是需要继续修改的。这些也是他们能多任务并行的基础，如果没有做好这些基础工作流，就无法做到多任务并行。对于很多个人开发者并没有习惯去搭建一个 CI/代码审查的工作流，甚至连 Git 代码管理都没有做，出问题都没法回滚。【11】高手用剑无招胜有招武侠小说里面，高手用剑没有那么多花里胡哨的招式，无招胜有招。Boris 没有炫耀复杂的定制配置，没有神秘的私藏提示词，用的就是官方功能。区别在于：他真正理解这些功能背后的逻辑，然后把它们组合成高效的工作流。并行工作是因为 Claude 能自主执行；用 Opus 是因为综合效率更高；CLAUDE.md 是把纠错变成资产；Plan 模式是先想清楚再动手；斜杠命令和子 Agent 是自动化重复劳动；验证机制是给 AI 反馈闭环。如果你刚开始用 Claude Code，不必急着研究各种高级配置。先把基础用好：学会并行，学会规划，学会积累 CLAUDE.md，学会给 AI 验证手段。等你真正遇到瓶颈了，再去折腾那些花活不迟。推文链接：x.com/bcherny/status/2007179832300581177

48. Agent Skill 相关资料、笔记和思考

49. 万亿市值一夜蒸发！Claude Cowork血洗全球软件业，老黄急了

50. Claude Code 2.1.2超详细更新说明，小白也能10分钟上手

51. 为什么 Claude Skills 的爆发点在 2026 年 1 月？问：Claude Skills 是去年 10 月中就推出的，为什么现在才突然火起来？这是个很好的问题。Claude Skills 确实在 2025 年 10 月中旬就发布了，但直到 2026 年 1 月才真正爆火。这背后有表面原因，也有更深层的逻辑。核心原因就是这东西如果只能在技术圈自嗨，它是火不起来的。去年 10 月份 Skills 编程领域其实很快就开始用起来了，而现在火，只是因为它出圈了，在技术之外的领域火起来了，非技术人员也用起来了。Skills 真正的价值其实是在非编程领域。去年 Coding Agent（比如 Claude Code、OpenCode）开始在非编程领域开花，而 Skills 的设计特点让它能很快找到 Agent 在非编程领域上的场景落地。1. 有 bash 和脚本能力，可以自动化本机操作Skills 让 Claude 能借助代码脚本操作你的本机系统，把很多琐碎的电脑操作变成自动化操作。Claude Code 的创建者 Boris Cherny 在 X 上分享过一个有趣的观察：自从 Claude Code 发布以来，他发现用户们在用它做各种非编码的工作——做度假研究、做 PPT、清理邮件、取消订阅、从硬盘恢复婚礼照片、监控植物生长，甚至控制烤箱。> Since we launched Claude Code, we saw people using it for all sorts of non-coding work: doing vacation research, building slide decks, cleaning up your email, cancelling subscriptions, recovering wedding photos from a hard drive, monitoring plant growth, controlling your oven.>> 网页链接这些场景和写代码完全不沾边，但 Skills + bash 能力的组合让这一切成为可能。比如我自己就做了一些工作流，帮我采集信息、写作、写 PPT、画漫画、发布，极大提升效率。像发文章到公众号、X Article 这些，以前需要手动重复的操作，现在一个 Skill 就搞定了。2. Skills 可以相互调用，用自然语言编排工作流如果是单一的 skill，作用其实有限。但当你有多个 skills，并且 skills 还可以相互调用，那意味着你可以编排工作流。Skills 让 AI 可以像《黑客帝国》主角 Neo 那样瞬间学会新技能：“I know kung fu”。Claude 会根据任务自动加载需要的 Skill，完成后再卸载，整个过程无需用户干预。而最神奇的地方在于，你只需要用自然语言去编排工作流。这中间会有 Agent/大模型去解读你的自然语言，按照工作流执行，有问题还会帮你修复。这极大地解决了非专业用户需要程序员协助编排工作流的问题。3. Skills 本身易于分发，几乎成了每个 agent 的标配一个 skill 只要有一个 SKILL.md markdown 文件和辅助的脚本或者文档，打个 zip 包就能发布。这种轻量级的设计让分发变得极其简单。有个时间点很重要，2025 年 12 月 18 日，Anthropic 宣布将 Agent Skills 规范开放为跨平台标准。很快，微软在 VS Code 和 GitHub Copilot 中集成了对 Agent Skills 的支持，OpenAI 也在 ChatGPT 的代码解释器和 Codex CLI 中采用了几乎相同的技能目录结构。Skills 在 10 月发布时，主要还是被定位为开发者工具。但随着生态成熟、开放标准确立、以及 Cowork 这样面向普通用户的产品推出，Skills 在非编程领域的价值才真正被释放出来。回顾这个过程：10 月：Skills 发布，开发者圈小范围关注11-12 月：技能规范开放、生态扩展、用户积累经验1 月：产品更新 + 非编程场景落地 + 病毒式传播 = 爆发Skills 的爆发是现在它找到了真正的价值定位，让非程序员也能通过自然语言编排复杂的自动化工作流。这才是 Skills 真正火起来的原因，随着更多场景被发掘出来，还会持续的火上一段时间。

52. Anthropic 社区负责人连更31条Claude Code技巧！比Claude Code创始人私藏的还硬核

53. 南大退出国际排名不靠洋榜贴金只靠科研封神南京大学退出国际排名，中国大学不靠洋榜贴金，只靠科研封神！要把定义权握在自己手里，教育如此，科技亦然！#南京大学退出排名 #Claude封禁中国企业 #科技自主

54. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

55. Claude Code从来就不是什么编程工具

56. Anthropic 发癫搞封锁，今天最该“警惕”的其实是Claude Code

57. 来自 Claude Code团队的CC使用技巧团队内部使用 Claude 的方式，其实和我个人的用法不太一样。记住一件事：Claude Code 没有唯一正确的使用方式——每个人的工作流都不同。多尝试，找到最适合你自己的方式。1. 尽可能并行工作同时开 3 到 5 个 git worktree，每个 worktree 里跑一个独立的 Claude 会话。这是团队公认生产力提升最大的一招。我个人用的是多个 git checkout，但团队里大多数人更喜欢 worktree，这也是为什么 amorriscode 给 Claude Desktop 做了原生 worktree 支持。有些人会给 worktree 起名字，再配合 shell alias（比如 za、zb、zc），一键在不同任务之间来回切换。还有人专门留一个 analysis worktree，只用来看日志和跑 BigQuery。2. 所有复杂任务都从 Plan Mode 开始把主要精力花在计划上，让 Claude 有机会一次性把实现做对。团队里有人会让第一个 Claude 写计划，再开第二个 Claude 以资深工程师的身份来 review 这个计划。还有人说，只要事情开始变得混乱，就立刻退回 Plan Mode 重新规划，而不是硬着头皮往下写。他们甚至会在验证步骤时也明确要求 Claude 进入 Plan Mode，而不只是构建阶段。3. 重视并持续打磨 CLAUDE.md每次你纠正 Claude 之后，都可以加一句：“更新你的 CLAUDE.md，这样你下次就不会再犯这个错误。”Claude 非常擅长给自己写规则。长期、无情地编辑和迭代 CLAUDE.md，直到你能明显看到它的犯错率下降。有位工程师还让 Claude 为每个任务或项目维护一个 notes 目录，每次 PR 后都更新，然后在 CLAUDE.md 里指向这些笔记。4. 创建你自己的 skills，并提交到 git在所有项目里复用它们。团队的一些经验：1）如果一件事你每天会做不止一次，就把它做成一个 skill 或命令2）做一个 /techdebt 斜杠命令，每次会话结束都跑一遍，找出并清理重复代码3）做一个命令，把最近 7 天的 Slack、GDrive、Asana、GitHub 内容同步成一个统一的上下文 dump4）构建类似 analytics engineer 的 agents，让它们写 dbt model、做代码 review、在开发环境测试改动5. 让 Claude 自己修 Bug团队常用的方式：1）启用 Slack MCP，把 Slack 里的 bug 讨论串贴给 Claude，然后只说一句 “fix.”，完全不用手动来回切换上下文2）或者直接说：“去把 CI 失败的测试修好。” 不要微观指挥3）把 docker 日志丢给 Claude 来排查分布式系统问题，它在这方面意外地强6. 提升你的 Prompt 水平1）挑战 Claude你可以说：“狠狠拷问我这次改动，在我通过你的测试前不要开 PR。” 让 Claude 当 reviewer。或者说：“向我证明这个是有效的”，让它对比 main 分支和你功能分支的行为差异。2）对一般般的方案说不当一个修复很平庸时，可以说：“基于你现在知道的一切，推翻这个实现，用更优雅的方式重写。”3）先写清需求，再让它动手你描述得越具体，输出质量越高。先减少歧义，再交给 Claude。7. 终端与环境配置团队很多人喜欢 Ghostty 终端，原因包括同步渲染、24 位色彩和良好的 Unicode 支持。为了更方便地同时管理多个 Claude，会用 /statusline 自定义状态栏，让它始终显示上下文使用量和当前 git 分支。很多人还会给终端标签页起名字、加颜色，甚至配合 tmux，一任务或一个 worktree 一个标签页。另外一个强烈推荐：语音输入。你说话的速度是打字的 3 倍，prompt 细节也会更丰富。（macOS 下连按两次 fn）8. 使用 Subagents（子代理）1）在请求后面加一句 “use subagents”，让 Claude 为这个问题调度更多算力2）把子任务丢给 subagents，保持主 agent 的上下文窗口干净、聚焦3）通过 hook 把权限请求路由给 Opus 4.5，让它扫描攻击风险并自动批准安全请求9. 用 Claude 做数据与分析让 Claude Code 直接调用 “bq” 命令行工具，实时拉取并分析指标。团队把 BigQuery skill 提交在代码仓库里，大家都直接在 Claude Code 里写分析查询。有人已经 6 个多月没手写 SQL 了。这个思路适用于任何有 CLI、MCP 或 API 的数据库。10. 用 Claude 学习团队的一些学习玩法：1）在 /config 里开启 “Explanatory” 或 “Learning” 输出风格，让 Claude 解释它修改背后的“为什么”2）让 Claude 生成一个可视化 HTML 演示文稿，讲解你不熟悉的代码，效果出奇地好3）让 Claude 画 ASCII 图，帮助理解新的协议或代码库结构4）做一个间隔重复学习的 skill：你先讲自己的理解，Claude 追问补缺，并把结果存下来这套方法的核心其实就一句话：把 Claude 当成一个可以训练、可复用、能并行协作的工程搭档，而不是一次性问答工具。访问：x.com/bcherny/status/2017742741636321619#HOW I AI# #程序员#

58. MiniMax M2.1也算得上是个成熟的工程师了之前对这类模型预期不高，一般只让它们处理些简单的多语言转换或者写写博客。但这次让它用Claude Code做个Image-to-Video的SaaS网站，表现确实超出预料——它能主动调用Skill完成任务，十分钟就基于模板把网站初版搭出来了，完成度接近Claude Code原生的Opus 4.5（结果见图1）以前国产模型像实习生，得一步步指导，现在M2.1像个能独立干活儿的工程师，清楚该用什么工具、从哪里入手。它的工具调用和Agent能力，确实刷新了我对国产大模型的认知知识储备各家可能差不多，关键在模型能不能精准理解意图并调用工具去执行。这次通过“网站制作”这个Skill，M2.1展现的效果很扎实。Skill生态确实是重要方向，除了Claude Code，Codex、Antigravity也都在跟进#minimax##ai大模型#

59. 想象一下，一个软件团队在做一个大项目，但有个奇怪的规定：每个工程师只能工作几十分钟，最多几小时，干完就要换一个新的工程师。所以让这个团队完成简单项目任务还行，复杂一点需要长时间运行的项目，比如你让它克隆一个 claude.ai，它就做不到。这其实就是 Coding Agent 的现状：没有记忆，上下文窗口长度有限。所以要它执行长时间任务，它还做不好。Anthropic 的这篇博客：《Effective harnesses for long-running agents》，专门讨论了如何让 Agent 在跨越多个上下文窗口时依然能持续推进任务。先看 Agent 在长任务中遇到的主要问题是什么？主要三种：第一种叫一口气干太多。比如你让 Agent 克隆一个 claude.ai 这样的网站，它会试图一次性搞定整个应用。结果上下文还没用完，功能写了一半，代码乱成一锅粥。下一个会话进来，面对半成品只能干瞪眼，花很多时间猜测前面到底做了什么。第二种叫过早宣布胜利。项目做了一部分，后来的 Agent 看看环境，觉得好像差不多了，就直接收工。功能缺一大堆也不管。第三种叫测试敷衍。Agent 改完代码，跑几个单元测试或者 curl 一下接口就觉得万事大吉，根本没有像真实用户那样端到端走一遍流程。这三种失败模式的共同点是 Agent 不知道全局目标，也不知道该在哪里停下来、该留下什么给下一位。那么 Anthropic 的解决方案是什么呢？其实就是软件工程的一些现成的解决方案：引入类似人类团队的分工协作机制，将复杂任务拆解成小的可跟踪验证的任务，清晰的交接机制，并严格验证任务结果一个初始化 Agent，它只在项目启动时出场一次，任务是搭好项目运行环境：有点像架构师的角色，写一个 init.sh 脚本方便后续启动开发服务器，建一个 claude-progress.txt 记录进度，做第一次 git 提交，最关键的是生成一份功能清单。这份功能清单有多细？在克隆 claude.ai 的案例中，列了超过 200 条具体功能，比如用户能打开新对话、输入问题、按回车、看到 AI 回复。每一条初始状态都标记为失败，后续 Agent 必须逐条验证通过才能改成成功。而且这里有个细节，这个清单不是用 Markdown 来写的，是一个 JSON 数组，因为 Anthropic 实验发现，相比 Markdown，模型在处理 JSON 时更不容易随意篡改或覆盖文件。另一个是编码 Agent。在初始化项目后，后续就是它干活了，核心行为准则只有两条：一次只做一个功能，做完要留下干净的环境。什么叫干净的环境？想象你往主分支提交代码的标准：没有严重 bug，代码整齐有文档，下一个人接手能直接开始新功能，不用先替你收拾烂摊子。每次开工前，它先做几件事：– 运行 pwd 看看自己在哪个目录– 读 Git 日志和进度文件，搞清楚上一轮干了啥– 看功能清单，挑一个最高优先级的未完成功能– 跑一遍基础测试，确保 App 还能用然后专心做一个功能，做完后：– 写清楚的 Git commit message– 更新 claude-progress.txt– 只改功能清单里的状态字段，绝不删改需求本身这个设计的巧妙之处在于，它把“记忆”外化成了文件和 Git 历史。每一轮的 Agent 不需要依赖上下文窗口里的碎片信息，而是模仿靠谱的人类工程师每天上班会做的事。先同步进度，确认环境正常，再动手干活。测试环节的改进值得单独说。原来 Agent 只会用代码层面的方式验证，比如跑单元测试或者调接口。问题是很多 bug 只有用户真正操作页面时才会暴露。解决方案是给 Agent 配上浏览器自动化工具，比如 Puppeteer MCP。Agent 现在能像真人一样打开浏览器、点按钮、填表单、看页面渲染结果。Anthropic 放了一张动图，展示 Agent 测试克隆版 claude.ai 时自己截的图，确实是在像用户那样操作。这招大幅提升了功能验证的准确率。当然也有边界，比如浏览器原生的 alert 弹窗，Puppeteer 捕捉不到，依赖弹窗的功能就容易出 bug。这套方案还留了一些开放问题。比如，到底是一个通用 Agent 全包好，还是搞专业分工？让测试 Agent 专门测，代码清理 Agent 专门收拾，也许效果更好。再比如，这套经验是针对全栈 Web 开发优化的，能不能迁移到科研或金融建模这类长周期任务？应该可以，但需要实验验证。响马 @xicilion 说：> ai 的尽头依旧是软件工程。AI Agent 也不是魔法，它一样需要从人类软件工程中汲取经验，它也需要将复杂的任务进行分解成简单的任务，要有一个结构化的工作环境和清晰的交接机制。人类工程师为什么能跨团队、跨时区协作？因为有 Git、有文档、有 Code Review、有测试。AI Agent 要想长时间自主工作，也得把这些东西搬过来。Anthropic 的方案，不过是把软件工程的最佳实践变成了 Agent 能理解的提示词和工具链。不是让模型变得更聪明，而是给它提供更好的脚手架。Anthropic 的思路值得借鉴。无论你用的是 Claude、GPT 还是别的模型，在设计多轮长任务时，都要想清楚，怎么让下一轮的 Agent 快速进入状态，怎么避免它重复造轮子或者把代码搞成一团乱麻。即使是单轮任务，也要清楚它是没有记忆的，你需要通过外部文件来帮助它“想起来”之前做过的事。以现在模型的能力，Coding Agent 已经能做很多事情了，核心还是在于你是不是能像软件工程中那样，去分解好任务，设计好工作的流程。原文：Effective harnesses for long-running agents 网页链接翻译：网页链接

60. Claude开始“吃用户”了，收你数据训模型，不同意30天就删你记录

61. Agent 真正的护城河，正在从工具转向记忆资产

62. Multi-Agent 小白入门：让你的Claude Code 提效 90.2% 这篇文章介绍了一种基于多智能体编排系统的方法，旨在通过让多个 AI 智能体分工协作，来提升 Claude Code 的工作效率。1. 详细阐述了单智能体的局限性，并提出了主管模式、流水线模式和并行模式三种核心管理架构，以解决上下文限制和专业化不足等问题。2. 作者还提供了一套实战指南，教读者如何创建由架构师、构建师、验证者和记录员组成的四人智能体团队，并利用共享文档实现任务同步。原文：x.com/0xYuker/status/2013094122656334136#HOW I AI# #程序员#

63. PSI引擎吊打LSP，JetBrains为何在AI编程时代被Claude Code反超？

64. 【Anthropic官方出品：Claude Code实战课程全解析】Anthropic悄悄放出了一门官方课程，专门教你如何把Claude Code用到极致。15节课，1小时视频，还有测验和证书，干货密度相当高。课程地址：anthropic.skilljar.com/claude-code-in-action有人学完后整理了核心要点，值得收藏：快捷键与模式切换- Shift + Tab 按两次进入规划模式- Ctrl + V 可以直接插入截图（注意不是 Command + V）- 配合插件可以让Claude Code直接操作浏览器控制推理深度的魔法词在提示词中加入这些关键词，可以调节模型在任务上投入的token量：- "Think" — 基础推理- "Think more" — 扩展推理- "Think a lot" — 全面推理- "Think longer" — 延长推理时间- "Ultrathink" — 最大推理能力上下文管理- /clear 清空上下文- /compact 压缩上下文，可释放80%以上空间进阶扩展- 使用MCP服务器可以扩展工具集- 支持大量pre-hooks和post-hooks，在工具执行前后自动运行社区讨论中有个观点很有价值：课程没教的真正技能，是知道什么时候该重置上下文。很多人卡在问题里挣扎几小时，其实是在和"上下文腐化"作斗争，不如在完成一个里程碑后果断清空重来。还有人指出，/clear比/compact更彻底，该用哪个要看场景。当然也有老手表示，如果你已经每天高强度使用Claude Code，这门课的增量信息有限。但对于想系统入门或查漏补缺的人来说，官方出品的体系化内容，依然是最稳妥的起点。reddit.com/r/ClaudeAI/comments/1q1z5ke/want_to_learn_how_to_make_the_most_of_claude_code

65. 【访谈对话】造过 Codex 的人，为什么每天用 Claude Code完整图文版：网页链接Calvin French-Owen 联合创办了 Segment，2020 年被 Twilio 以 32 亿美元收购。之后加入 OpenAI，带队用 7 周时间从零构建了编程 Agent Codex。2025 年中他离开 OpenAI 回归创业，日常主力编程工具却是竞品 Claude Code。他最近在 YC 播客 Lightcone 上，和 YC CEO Garry Tan 做了一场对话。Garry 刚用上 Claude Code 九天，Calvin 则是造过 Codex 的人。两人聊了编程 Agent 的产品哲学差异、怎么成为 top 1% 用户、上下文中毒的应对，以及如果今天重新创办 Segment 会做什么不同。要点速览：• Claude Code 被低估的优势不在模型本身，而在产品架构：通过子 Agent 拆分上下文窗口，用 grep 而非语义搜索检索代码• Anthropic 和 OpenAI 的产品哲学有根本差异：一个造"去五金店买材料造狗窝"的人类工具，一个造"3D 打印整个狗窝"的通用智能• LLM 正在替代 Google 成为开发者工具的推荐引擎，竞品公司可以通过伪装排名文章操纵 LLM 推荐• 上下文使用超过 50% 就该清理。LLM 的"迟钝区"就像考试最后五分钟还剩半张卷子没做【1】CLI 的复古未来：为什么命令行击败了 IDEGarry Tan 用一个膝盖手术的类比开场：十年前他是个"马拉松跑者"（写代码的人），后来遭遇"灾难性膝伤"（变成了管理者），停止编程。最近九天用上 Claude Code，感觉像换了仿生膝盖，跑得比原来快五倍。Calvin 认为人们太关注模型能力本身，忽视了产品和模型的协同。Claude Code 做得特别好的一件事是拆分上下文：给定一个任务，它会生成多个"探索子 Agent"，每个用 Haiku 模型遍历文件系统、搜索相关代码，各自运行在独立的上下文窗口里，互不干扰。正因为 Claude Code 运行在终端里，它天然适合这种自由的、可组合的集成方式。Calvin 说："CLI 不是 IDE，这一点很重要。它让你远离正在被写的代码。IDE 的全部目的是把所有状态保持在脑子里。但 CLI 是完全不同的东西，当我用 Claude Code 时，感觉像在代码里飞行。"Garry Tan 举了个实际的例子：沙箱概念上很干净但实际使用时到处碰壁，比如需要访问 Postgres 却连不上。而 CLI 直接运行在你的开发环境里，他甚至让 Claude Code 访问了生产数据库，调试了嵌套五层深的并发 bug。【2】自下而上的分发：LLM 时代开发者工具怎么卖Calvin 认为 CLI 工具的分发模式被低估了：下载就能用，不需要任何人批准。他最近试用了一个产品：下载桌面应用后，它直接调用你笔记本上安装的 Claude Code，然后通过 MCP 服务器通信。全程不需要任何人的许可。Garry Tan 把这个观点推得更远：在一切都变得飞快的时代，产品必须走自下而上的分发路线。CTO 做决策太慢了，要考虑安全、隐私、控制权。工程师直接装上就用。更有意思的是 AI 推荐的影响。Calvin 指出，现在人们可能直接在 Claude Code 里决定用什么工具。"只要 Claude Code 推荐用 PostHog，他们就用 PostHog。"而竞争对手可以通过伪装排名文章操纵 LLM 推荐——人类一看就知道是软文，但 LLM 会被骗。Calvin 认为这对开源项目特别有利。Supabase 就是典型：因为有非常好的开源文档，每当有人问怎么搭建后端，所有 LLM 的默认推荐都是 Supabase。【3】上下文工程：grep 为什么打败了语义搜索构建编程 Agent 最重要的是什么？Calvin 说：管理上下文。一个有意思的差异：Cursor 用语义搜索（把代码嵌入向量空间，找最相关的片段），而 Claude Code 和 Codex 直接用 grep。这看似落后，实际很合理。代码信息密度极高，通过 .gitignore 过滤无关文件后，用 grep 搜索基本能准确定位。而且 LLM 特别擅长写出人类绝不会手写的复杂正则表达式。"如果你在构建非编程领域的 Agent 系统，可以从中学到很多。关键是怎么把你的数据整理成接近代码的格式，让模型可以窥探周围的上下文、获取结构化的信息。"【4】成为 Top 1% 用户：少写代码，多做管理Calvin 的建议：部署在 Vercel、Next.js 这类有大量模板的平台上，核心代码控制在一两百行；倾向微服务或结构良好的独立包；理解 LLM 的盲区——它"超级持久"，可能会复制已有功能、重新实现你觉得不该碰的东西；给模型提供检查手段，测试、lint、CI 都行。Garry Tan 分享了他的"顿悟时刻"：前几天几乎不写测试，第四天决定把测试覆盖率做到 100%，之后速度暴涨。Calvin 说：这和所有公司做 prompt engineering 的方式一样，就是测试驱动开发。"测试用例就是你的 eval。"【5】上下文中毒：LLM 的"迟钝区"和金丝雀检测Calvin 引入了"上下文中毒"的概念：模型沿着错误方向走下去，因为"超级持久"特性，会不断参照已经错误的 token 继续推进。他的建议是上下文使用超过 50% 就清理。他用了一个类比："想象你是大学生在考试。前五分钟觉得时间充裕，会认真思考每道题。但如果还剩五分钟而你还有一半没做完，你只能随便写。LLM 遇到上下文窗口就是这种感觉。"Garry Tan 介绍了一个技巧：在上下文开头放一个随机事实作为"金丝雀"，定期问模型是否还记得。当它开始忘记，就知道上下文退化了。Calvin 认为 Claude Code 应该能在产品层面自动做这种检测，在内部跑一个"心跳"机制监控上下文质量。【6】两家公司的 DNA：五金店造狗窝 vs 3D 打印狗窝Calvin 把两家公司的差异追溯到创始 DNA："Anthropic 注重为人类构建工具。Claude Code 的工作方式像人类：你要造狗窝，它去五金店买材料拼在一起。OpenAI 倾向于训练最强模型做越来越长的任务。它可能完全不像人类工作——用 3D 打印机从零打印一个狗窝。会花很长时间，做奇怪的事情，但最终能用。"长期看他认为"后者可能不可避免"。但用 Claude Code 的体验让他想起十年前自己写复杂正则的感觉。"我一天能做五个人的工作量。像装了火箭推进器。"【7】如果重建 Segment：什么价值被清零了Segment 起步做的是数据集成：帮你把同一份数据同时发到 Mixpanel、Google Analytics。写这种连接代码以前是件麻烦事，值得付费。"现在这部分价值降到了零。你可以直接告诉 Claude：'我要这样映射数据'，然后它就做到了。"还有价值的部分是：维持数据管道运行、自动化业务流程（比如每次新客户注册就通过 Customer.io 发欢迎邮件）、管理受众群体。如果今天重做 Segment，他会在这些基础上用 LLM Agent 分析完整客户画像，自动决定该怎么给客户发邮件、登录后要不要调整产品界面、不同客户是否需要不同的 onboarding 流程。低层级的东西被 Agent 取代，价值向上迁移到了更抽象的层面。Calvin 还分享了一个让他持续感到惊讶的事情：Claude Code 仅仅从他正在工作的代码上下文中，就能推断出他的意图和动机。"你给 Agent 一份代码仓库的副本，然后从门缝塞进去一张纸条说'帮我实现这个'。它完全不知道你的公司是做什么的，你的客户是谁。但它竟然能工作。"【8】谁从编程 Agent 获益最多Calvin 认为越资深的工程师获益越大。因为 Agent 擅长把想法变成代码执行，如果你能用几句话准确描述你想要什么，就能把那些你一直想改但没时间改的东西批量派出去。他还认为更有"管理者气质"的工程师获益更大。"我们需要给 Agent 做上下文管理，但我们也需要给人类做上下文管理。"初创公司和大公司的差异也很明显。初创公司没什么可失去的，会把编程 Agent 推到极限。Calvin 预测一个奇怪的场景：一个人的团队做出的原型，可能比对面那个十人团队做得更好。Garry Tan 还提了一个观察：Paul Graham 的经典文章"Maker Schedule vs Manager Schedule"正在被改写。过去写代码需要先花几个小时把所有代码关系装进脑子，十分钟的碎片时间根本不够。现在 Claude Code 帮你维护上下文，碎片时间也能有产出。创造者也可以像管理者一样碎片化工作了。【9】安全与训练数据安全方面，Calvin 分享了 OpenAI 内部的故事。每次发布新模型都要过安全审查。他们团队的 PM Alex 做了一个实验：创建一个 GitHub Issue，里面放了一个很明显的 prompt injection，然后让模型去修这个 Issue。结果注入立即生效。所以 OpenAI 对沙箱非常谨慎：所有代码在沙箱中运行，不碰机器上的敏感文件，严格管理密钥。训练数据方面，Codex 对 Python 单体仓库特别好，这"恰好"就是 OpenAI 内部代码库的形态。Garry Tan 注意到问题不是模型本身对 Ruby 不行，而是 Codex 的沙箱环境不支持 Rails 需要的特定方式访问 Postgres。不是模型的问题，是"模型外面那层壳"的问题。---Calvin 在对话中反复回到一个核心判断：编程 Agent 的竞争力不在于模型有多聪明，而在于上下文工程做得多好。另一个贯穿的线索是角色转变：最好的编程 Agent 用户看起来越来越像管理者。他们不写代码，而是判断什么该做、什么风格好、哪些地方需要人类介入。Anthropic 的"人类工具"路线和 OpenAI 的"通用智能"路线哪个最终胜出，Calvin 不确定。但他的行动选择说明了一些东西：造过 Codex 的人，每天用的是 Claude Code。访谈来源：YC Lightcone 播客

66. Agent 原生通讯协议：从传递代码，到传递认知

67. AI agent到底有多大创新？

68. 腾讯悄悄上线了“Claude Code”，居然还支持微信登录。

69. 如何评价 Anthropic 在 9 月 30 日更新的 Claude Sonnet 4.5 模型？

70. 现在Agent Skills 那么火，有什么强烈推荐的Agent Skills吗？

71. 【七个被低估的Claude Code进阶技巧】Anthropic的Boris最近分享了十个实用技巧，但翻遍官方文档后，我发现还有一些更硬核的功能被埋没了。这些技巧偏技术向，但一旦掌握，会从根本上改变你使用Claude Code的方式。一、用钩子系统拦截一切操作手动审查代码太累了。Claude Code内置了钩子系统，可以拦截每一次工具调用。想在每次文件编辑后自动跑lint？想在执行bash命令前做安全检查？只需在settings.json里配置PreToolUse和PostToolUse。你的脚本会通过stdin接收完整的工具输入，返回退出码2就能阻止操作。这才是建立防护栏的正确姿势。有人用这个做了更巧妙的事：在PreToolUse里解析命令，匹配到rm -rf或DROP TABLE这类危险操作就直接拦截。Claude会收到阻止信息并重新规划，再也不用担心误删。二、按路径加载规则，告别臃肿的CLAUDE.md与其维护一个巨大的CLAUDE.md，不如创建模块化规则。在.claude/rules目录下，api.md只在处理src/api文件时加载，frontend.md只服务于组件目录。每个文件用YAML frontmatter指定生效路径。这本质上是上下文管理。做后端时不需要读Tailwind设计系统的规范，做API时不需要加载数据库迁移的约定。在大型仓库或monorepo里，省下的token相当可观。三、用感叹号语法注入实时数据技能文件里可以用感叹号加反引号执行shell命令，输出会在发送给Claude之前替换占位符。比如写一个PR审查技能，用git diff获取当前改动，用gh pr view拉取PR描述，Claude收到的是真实数据。这是预处理，不是让Claude执行命令。API响应、日志、数据库查询，任何实时数据都能这样注入。四、用子代理把任务路由到更便宜的模型不是每个任务都需要Opus。创建一个使用Haiku的子代理，只赋予Read、Grep、Glob权限，专门用于代码库探索。成本直接降到五分之一，而且因为工具受限，即使产生幻觉也不会误编辑文件。真正的省钱秘诀在于批处理：并行跑十个Haiku搜索再合并结果，比单次Opus遍历整个代码库高效得多。五、从PR恢复会话用gh pr create创建PR时，Claude会自动关联当前会话。之后只需claude --from-pr 123就能接续工作。这对异步协作意义重大：同事开了个PR，你恢复他的会话继续推进，上下文完整保留。六、用导入语法共享团队知识CLAUDE.md支持用﹫符号导入其他文件，包括home目录路径。团队把编码规范提交到一个中央仓库，所有人导入同一份标准。个人偏好放在本地不提交，项目文档按需引用。导入支持递归，最深五层。七、用context: fork隔离任务有些任务不该污染主对话。给技能加上context: fork，它会在完全隔离的子代理中运行，用独立的上下文窗口，返回摘要后主对话依然干净。深度研究、代码分析这类重型任务特别适合这样处理。这些功能的真正威力在于组合。用钩子在每次提交后自动触发审查子代理，用路径规则给不同目录注入不同规范，从中央仓库导入团队共享的钩子配置，把昂贵的探索任务路由给Haiku，把Opus留给真正的实现工作。详细文档在code.claude.com/docs，但确实容易被忽略。reddit.com/r/ClaudeAI/comments/1qstcb9/7_claude_code_power_tips_nobodys_talking_about

72. 在 AI Agent 的开发中，交互设计（壳）和底层模型能力哪个更重要？未来哪一方会成为竞争核心？

73. 抽点时间写写Wegent这个项目的开发过程（一）其实回顾很多项目的生命周期都是蛮有意义的一件事，之前在做一些项目的时候就有记录和总结一下项目里一些重大决策或者转折的冲动，但是大部分都是公司内的项目没法写出来，难得遇到个能写的开源项目，恰好这个项目又汇集了AI Agent架构和开发范式转变这两个比较有意思的话题，干脆开个新坑系列。大概是夏天的时候我决定要开发一个新的Agent系统，最初项目的定位是做一个claude code的套壳工具。当时Cursor、Windsurf这类Agent开发工具开始成为主流，我当时也还在Roo Code社区里比较活跃（如果你不了解RooCode，也不用介意，它是一个开源AI编码插件，后面描述的重点不是产品本身，而是它的开发方式）。Claude Code那时候刚发布没多久，虽然脱离IDE就能开发这个特性有点意思，但是单靠CC还不足以让开发者从类似Cursor的IDE工具迁移过来：对于大多数开发者的日常工作流来说，CC能做的事情，IDE或者IDE+Agent插件也能做，CC只是个阉割掉了IDE功能的Agent。但是当时Roo Code社区已经做了一个很有意思的探索：他们做了一个叫roomote的机器人，所有提交到RooCode项目的Issue，roomote都会尝试排查或者修复问题，然后提交PR或者直接给出回答。社区里经常有不明真相的群众表示，为什么会有一个叫roomote的人能够一天24小时工作，并且回答所有人的问题，他是你们的外包团队吗？最后RooCode团队表示，roomote只是个用了opus模型的RooCode插件。作为Roo Code社区开发者之一（RooCode的代码编辑器、消息解析器、Todo和一些乱七八糟的功能都是我做的），我认为RooCode项目本身没有太多值的研究的（代码非常烂），但是我对他们这种开发模式非常感兴趣。社区的核心开发者就一两个，但是每天能够开发5-10个小功能，每周能发个大功能，并且还能在某种程度上避免项目失控（虽然Bug也不少），放在过去这种效率是不可想象的。RooCode社区的开发方式总结下来就几点：1 能让AI做的事情就让AI做2 人配合AI快速迭代，密集发布新版本，追求迭代效率，降低质量要求3 不停的通过提示词、测试和重构避免项目复杂度失控我开始意识到：未来开发者写代码的方式会变，这不是简单的工作自动化，而是“AI驱动式开发”，这种模式应该未来会成为某种新的软件开发范式。因此本来我的目标是把RooCode本身移植成为命令行工具（我们开源的另一个项目RunVSAgent其实是这个目标的副产品），而Claude Code的诞生让我省了不少事。（待续，下一篇准备讲讲Wegent项目原型开发时遇到的问题）

74. DeepSeek V3.1接入Claude Code教程

75. 麦肯锡：如何真正交付不烂尾的 Agentic AI？

76. Claude Code 多 Agent 组队开发：从原理到踩坑全指南

77. 别再单打独斗：Claude Code Agent Teams 让 AI 协作编程成为现实

78. Claude Agent Teams 还可以这样玩……

79. 智能体粒度划分的工程判据：我们如何决定一个功能该独立成 Agent，还是做成一个 Tool？

80. 万字深度解析Claude Code的Hook系统：让AI编程更智能、更可控｜下篇—实战篇

81. 当一个 AI 搞不定时，Claude Code 说：那就上一个团！Agent Teams 深度解读

82. 编程agent 的元游戏｜The Coding Agent Metagame 译介

83. Claude Agent Teams：多智能体协作编程的新范式

84. 麦肯锡：Agent落地一年，一线团队的6个经验教训

85. Claude Code 进阶秘籍: Agent、Subagent、Agent Team 到底该怎么选？

86. 基于评估标准探索 CodeAgent 的最佳实践（Claude Code 为例）

87. Claude Agent Teams：从”一个能写代码的AI”到”能组队交付的AI”

88. 不再单打独斗！用 Agent Teams 让 7 个 Claude 同时帮你开发

89. 「产品介绍」如何让5个AI同时帮你干活：Claude Agent Teams 实战指南

90. Claude Code Agent Teams：让多个 Claude 一起干活

91. Claude Opus 4.6 隐藏大招！Agent Teams 让多个 AI 同时帮你写代码，还能互相吵架

92. 搭了一个Claude, Codex, Gemini 协作的 Agent 工作流

93. Claude Code：使用hooks定制工作流程

94. Claude Code Agent Teams：3个AI同时写代码，底层原理和主流框架对比

95. 神仙打架，Claude Opus 4.6 + Agent teams 才是这场战争的真正看点

96. Claude Code 新功能：一个人指挥一支 AI 「施工队」

97. Cursor 近版本更新调研：Skills/Subagents/Hooks 把 Agent 做成“工程系统”

98. Coding agent开发深水区：如何解决上下文丢失问题

99. Claude Code Agent Teams完整上手指南

100. 一个人就是一个团队，Claude Code 官宣新特性：Agent Team

101. 掌握Agent Teams：如何让AI团队并行解决编程难题

102. Claude 新功能 Agent Teams 和 Subagents 的区别

103. 出海实战分享：Claude Code + Webhook 打造自动化工作流全流程。

104. 给 Claude Code 装个 “监工”：实时监控你的 AI 编程助手

105. 狂揽13.6k⭐，Claude Code一键起飞，再见命令行！

106. Claude Code 之 Agent Teams 让AI团队替你干活（附实操教程）

107. Claude Code：使用hooks定制工作流程 - 让A

108. 面向复杂工程的任务编排设计：Claude Code Tasks 机制详解

109. Claude Code 最佳实践。深度使用Claude Code已经三个月了，确实是AI编程领域划时代的产品昨天我们团队讨论了一下，即使它的价格上调为2000刀一个月，我们也愿意付费，因为带来的效率提升仍然远高于成本下面是我总结的Claude Code使用最佳实践，个人意见，欢迎讨论 1. CC基于命令行，是为了更直接的文件系统操作权限、与现有开发工具链的无缝集成、更强的自主性和代理能力等，非编程背景的同学也不要怕，你要做的仍然只是文字输入和回车而已 2. 一定要使用 CLAUDE.md 配置文件以保持持久的上下文，项目初期就init，并且保证更新，这是让CC了解项目的最好方法 3. 权限管理，对于项目不同模块给予不同的权限，业务逻辑和常规代码可以放心的给，涉及数据库的操作要小心，虽然在我这CC从来没有删库跑路 4. 经常性的commit，保证如果出现问题可以方便的回退 5. 让CC帮你写commit/pr message，简介又详细 6. 上下文很大程度决定了CC的能力，如果窗口不够用，尽量使用compact而不是clear 7. 如果日常使用，直接上订阅，按API token计费会让你破产 8. 如果你有技术能力，一定要实现验证工作流，实施自动质量门控，包括代码检查、静态分析、全面的测试套件和安全合规性检查 Happy vibe coding～ #软件开发 #app开发 #claudecode #独立开发者

110. Claude Hooks自动化？🤔

111. Claude Agent Teams实战：指挥一群AI协同干活

112. 1个任务15美元，有人找到了让Agent Teams几乎免费的方法

113. Claude Code Hooks：让自动化渗透每个环节

114. 【Claude Code】配置任务完成提示音

115. 最通俗易懂的 Claude hooks 教程，快速带你上手

116. 让 Claude Code 在完事后，给你发条微信提醒

117. 国庆前重磅：Cursor 1.7 史诗级更新：Agent 自动补全 & Hooks 全面升级

118. Claude Code Agent Teams上手指南+项目实测

119. 【双语+纯享】🚀 如何让Claude Cloud Code自主运行数百小时？💥 解锁AI编码新纪元

120. ClaudeCode中的subagent,skills,mcp,slashcommands,hooks,plugins等概念

121. Cursor新推出“Hooks”与“团队规则管理”等功能，AI协作更安全可控

122. 给Claude Code加个音效提醒利用Hooks功能，可以让Claude Code在特定事件发生时执行特定动作，比如在任务完成后播放音频提醒——这个超级有用，我已经离不开了。另外，它还可以让Claude Code自动执行Python脚本，这个想象力就很大了。 #AI在抖音 #AI新星计划 #vibecoding #claudecode

Claude Code Agent Teams是创新突破还是过度设计？1000+开发者观点大PK

精选参考来源